音声合成モデル

minimax-speech-2.8-hd

音声合成カタログのモデル ID は minimax-speech-2.8-hd です。モデル一覧から同じ種類のモデルを比較できます。

使用前に確認すること

下の入力表は router が扱う共通パラメータです。すべての設定をこのモデルへ同時に渡せるという意味ではありません。利用するワークスペースのカタログ行で対応入力・値・組み合わせを確認し、対応する設定だけを送信してください。

このページはカタログと入力のスキーマを示します。この種類の生成操作は、現時点の Creative API リファレンスには定義されていません。

入力パラメータ

フィールド型指定意味値と制約
modelstring必須このページのモデルを選ぶ ID。他のモデル名や別名に置き換えず指定します。固定値 "minimax-speech-2.8-hd"
transcript_sourceobject任意読み上げる文章の取得方法。直接指定とアバター由来の入力を区別します。必須の子項目: script_revision_id, sentence_ids
transcript_source.script_revision_idstring必須読み上げる台本の版を選ぶ ID。minLength: 1; maxLength: 128; pattern: "^[A-Za-z0-9_-]+$"
transcript_source.sentence_ids(string)[]必須台本の中から読み上げる文を選ぶ ID の一覧。minItems: 1; maxItems: 1000
transcriptstring任意読み上げる文章。選択したモデルの文字数上限内で指定します。minLength: 1; maxLength: 20000
avatar_idstring任意文章や声の取得元として使用するアバターの ID。minLength: 1
avatar_handlestring任意文章や声の取得元として使用するアバターのハンドル。minLength: 2; maxLength: 31; pattern: "^@?(?![._])(?!.*[._]$)(?!.*[._]{2})[A-Za-z0-9._]{2,30}$"
voiceobject任意モデルと同じ voice_family から選んだ声の ID。モデルの capabilities と constraints で確認
voice.modestring任意声の指定方法。この形状では ID で指定します。"id"; default: "id"
voice.idstring任意選択した系列で利用できる声の ID。minLength: 1; maxLength: 128
confirm_language_mismatchboolean任意選択した声と文章の言語が異なる場合に、その組み合わせを明示的に許可します。モデルの capabilities と constraints で確認
languagestring任意読み上げる言語のコード。モデルの対応言語から選びます。minLength: 2; maxLength: 16
output_formatobject任意成果物のファイル形式。対応する値はモデルによって異なります。モデルの capabilities と constraints で確認
output_format.containerstring任意音声を格納するファイル形式。"mp3", "wav", "raw"
output_format.sample_rateinteger任意音声を 1 秒あたり何回標本化するかを Hz で指定します。8000, 16000, 22050, 24000, 32000, 44100, 48000
output_format.bit_rateinteger任意圧縮音声の 1 秒あたりのビット数。32000, 64000, 96000, 128000, 192000
output_format.encodingstring任意音声の数値表現と符号化方式。raw 出力などに使用します。"pcm_f32le", "pcm_s16le", "pcm_mulaw", "pcm_alaw"
pronunciation_dict_idstring任意固有名詞などの発音を指定する辞書の ID。minLength: 1; maxLength: 128
generation_configobject任意声の系列が対応する生成設定。カタログにない設定は指定できません。モデルの capabilities と constraints で確認
generation_config.volumenumber任意生成音声の音量の倍率。minimum: 0.5; maximum: 2
generation_config.speednumber任意生成音声の読み上げ速度の倍率。minimum: 0.5; maximum: 2
generation_config.pitchinteger任意声の高さの調整量。minimum: -12; maximum: 12
generation_config.emotionstring任意声に付ける感情の指定。対応するモデルだけに使用します。minLength: 1; maxLength: 64
speedstring任意読み上げる速さの倍率。モデルの対応範囲内で指定します。"slow", "normal", "fast"
timestampsobject任意文章と音声の位置の対応を結果に含めるかを指定します。モデルの capabilities と constraints で確認
timestamps.wordsboolean任意単語ごとの時刻を結果に含めるかを指定します。モデルの capabilities と constraints で確認
segmentationobject任意文章を音声の区間に分ける方法を指定します。必須の子項目: mode
segmentation.modestring必須文章を区切る単位。この形状では文ごとに分けます。"sentence"
segmentation.boundary_lead_msinteger任意区間の境界に設ける先行時間。単位はミリ秒です。minimum: 0; maximum: 500; default: 70
segmentation.emit_audioboolean任意分割した区間の音声を結果に含めるかを指定します。default: true
metadataobject任意利用者の追跡用データ。ジョブと関連付けて保存し、モデルには送りません。モデルの capabilities と constraints で確認
modestring任意async は即時応答、webhook は終端通知、sync と subscribe は時間を区切って完了を待ちます。"async", "sync", "subscribe", "webhook"
webhook_urlstring任意終端イベントを受け取る公開 HTTPS URL(2048 文字以内、既定のポート)。async または webhook モードで指定し、sync とは併用できません。localhost、プライベート、ループバック、リンクローカルのアドレス宛ては指定できません。ジョブが完了、失敗、取消のいずれかになると、ワークスペースの署名シークレットで署名した通知を 1 件送ります。maxLength: 2048; format: "uri"
wait_timeout_secondsinteger任意HTTP 応答を待つ秒数。0〜30。時間を過ぎてもジョブは継続します。minimum: 0; maximum: 30
project_idstring任意ジョブまたは配置先を関連付けるプロジェクトの ID。maxLength: 200
voice_settingsobject任意安定性や声の類似度など、選んだ声の系列が受け付ける調整値。モデルの capabilities と constraints で確認
voice_settings.stabilitynumber任意声の表現の安定性を調整します。minimum: 0; maximum: 1
voice_settings.similarity_boostnumber任意選択した声との類似度を調整します。minimum: 0; maximum: 1
voice_settings.stylenumber任意選択した声の表現の強さを調整します。minimum: 0; maximum: 1
voice_settings.speednumber任意声の読み上げ速度の倍率。minimum: 0.7; maximum: 1.2
apply_text_normalizationstring任意数字などを読み上げ用の表現へ変換する方法を選びます。"auto", "on", "off"
seedinteger任意再現性の調整に使う乱数シード。0〜4,294,967,295。minimum: 0; maximum: 4294967295

カタログの対応範囲

フィールド型指定意味値と制約
namestring必須モデル選択画面に表示する名称。要求には名称ではなく id を指定します。モデルの capabilities と constraints で確認
voice_familystring任意このモデルと組み合わせる声の一覧を選ぶ family の値。別の系列の声は使用できません。"sonic", "eleven", "seed_audio", "qwen", "minimax", "seed_speech"
modalitystring必須生成されるメディアの種類。音声・音楽モデルは audio を返します。"audio"
routingstring必須指定したモデルへ直接送るか、カタログの選択規則で別のモデルへ解決するかを示します。"pass_through"
capabilitiesobject必須利用可能な入力や設定の範囲。記載のない設定を要求に追加しないでください。必須の子項目: text_to_speech, max_characters
capabilities.text_to_speechboolean必須文章を音声に変換する入力に対応しているかを示します。モデルの capabilities と constraints で確認
capabilities.max_charactersinteger必須一度の音声生成で入力できる文章の文字数上限。モデルの capabilities と constraints で確認
capabilities.languages(string)[]任意音声生成で受け付ける言語の ISO 639-1 コード。モデルの capabilities と constraints で確認
capabilities.output_formats(string)[]任意音声のコンテナ、サンプルレート、ビットレートを組み合わせた出力形式。モデルの capabilities と constraints で確認
capabilities.settingsobject任意指定可能な声の設定ごとの min、max、step、default。項目がなければ指定できません。モデルの capabilities と constraints で確認
constraints(string)[]必須文字数、長さ、入力の組み合わせなど、要求が満たす必要のある条件。モデルの capabilities と constraints で確認

料金の形状

金額はカタログ取得時の値を使用します。単価と課金単位を組み合わせて見積もり、実際の消費量はジョブの usage で確認してください。

フィールド型指定意味値と制約
basisstring必須単価を適用する生成量の単位。文字数、音声一つ、秒数、分数を区別します。"per_character"
credits_per_1000_charactersnumber / null必須入力文章 1,000 文字あたりに消費するクレジット。換算価格が未設定の場合は null。minimum: 0